一.資料圖片

二.資料簡(jiǎn)介

本書(shū)以機(jī)器學(xué)習(xí)與計(jì)算統(tǒng)計(jì)為主題背景，專(zhuān)門(mén)講述如何挖掘和分析Web上的數(shù)據(jù)和資源，如何分析用戶體驗(yàn)、市場(chǎng)營(yíng)銷(xiāo)、個(gè)人品味等諸多信息，并得出有用的結(jié)論，通過(guò)復(fù)雜的算法來(lái)從Web網(wǎng)站獲取、收集并分析用戶的數(shù)據(jù)和反饋信息，以便創(chuàng)造新的用戶價(jià)值和商業(yè)價(jià)值。全書(shū)內(nèi)容翔實(shí)，包括協(xié)作過(guò)濾技術(shù)（實(shí)現(xiàn)關(guān)聯(lián)產(chǎn)品推薦功能）、集群數(shù)據(jù)分析（在大規(guī)模數(shù)據(jù)集中發(fā)掘相似的數(shù)據(jù)子集）、搜索引擎核心技術(shù)（爬蟲(chóng)、索引、查詢引擎、PageRank算法等）、搜索海量信息并進(jìn)行分析統(tǒng)計(jì)得出結(jié)論的優(yōu)化算法、貝葉斯過(guò)濾技術(shù)（垃圾郵件過(guò)濾、文本過(guò)濾）、用決策樹(shù)技術(shù)實(shí)現(xiàn)預(yù)測(cè)和決策建模功能、社交網(wǎng)絡(luò)的信息匹配技術(shù)、機(jī)器學(xué)習(xí)和人工智能應(yīng)用等。

本書(shū)是Web開(kāi)發(fā)者、架構(gòu)師、應(yīng)用工程師等的絕佳選擇。

三.作者簡(jiǎn)介

Toby Segaran是Genstruct公司的軟件開(kāi)發(fā)主管，這家公司涉足計(jì)算生物領(lǐng)域，他本人的職責(zé)是設(shè)計(jì)算法，并利用數(shù)據(jù)挖掘技術(shù)來(lái)輔助了解藥品機(jī)理。Toby Segaran還為其他幾家公司和數(shù)個(gè)開(kāi)源項(xiàng)目服務(wù)，幫助它們從收集到的數(shù)據(jù)當(dāng)中分析并發(fā)掘價(jià)值。除此以外，Toby Segaran還建立了幾個(gè)免費(fèi)的網(wǎng)站應(yīng)用，包括流行的tasktoy和Lazybase。他非常喜歡滑雪與品酒，其博客地址是blog.kiwitobes.com，現(xiàn)居于舊金山。

四.資料目錄

前言
第1章　集體智慧導(dǎo)言
什么是集體智慧
什么是機(jī)器學(xué)習(xí)
機(jī)器學(xué)習(xí)的局限
真實(shí)生活中的例子
學(xué)習(xí)型算法的其他用途
第2章　提供推薦
協(xié)作型過(guò)濾
搜集偏好
尋找相近的用戶
推薦物品
匹配商品
構(gòu)建一個(gè)基于del.icio.us的鏈接推薦系統(tǒng)
基于物品的過(guò)濾
使用MovieLens數(shù)據(jù)集
基于用戶進(jìn)行過(guò)濾還是基于物品進(jìn)行過(guò)濾
練習(xí)
第3章　發(fā)現(xiàn)群組
監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)
單詞向量
分級(jí)聚類(lèi)
繪制樹(shù)狀圖
列聚類(lèi)
K-均值聚類(lèi)
針對(duì)偏好的聚類(lèi)
以二維形式展現(xiàn)數(shù)據(jù)
有關(guān)聚類(lèi)的其他事宜
練習(xí)
第4章　搜索與排名
搜索引擎的組成
一個(gè)簡(jiǎn)單的爬蟲(chóng)程序
建立索引
查詢
基于內(nèi)容的排名
利用外部回指鏈接
從點(diǎn)擊行為中學(xué)習(xí)
練習(xí)
第5章　優(yōu)化
組團(tuán)旅游
描述題解
成本函數(shù)
隨機(jī)搜索
爬山法
模擬退火算法
遺傳算法
真實(shí)的航班搜索
涉及偏好的優(yōu)化
網(wǎng)絡(luò)可視化
其他可能的應(yīng)用場(chǎng)合
練習(xí)
第6章　文檔過(guò)濾
過(guò)濾垃圾信息
文檔和單詞
對(duì)分類(lèi)器進(jìn)行訓(xùn)練
計(jì)算概率
樸素分類(lèi)器
費(fèi)舍爾方法
將經(jīng)過(guò)訓(xùn)練的分類(lèi)器持久化
過(guò)濾博客訂閱源
對(duì)特征檢測(cè)的改進(jìn)
使用Akismet
替代方法
練習(xí)
第7章　決策樹(shù)建模
預(yù)測(cè)注冊(cè)用戶
引入決策樹(shù)
對(duì)樹(shù)進(jìn)行訓(xùn)練
選擇最合適的拆分方案
以遞歸方式構(gòu)造樹(shù)
決策樹(shù)的顯示
對(duì)新的觀測(cè)數(shù)據(jù)進(jìn)行分類(lèi)
決策樹(shù)的剪枝
處理缺失數(shù)據(jù)
處理數(shù)值型結(jié)果
對(duì)住房?jī)r(jià)格進(jìn)行建模
對(duì)“熱度”評(píng)價(jià)進(jìn)行建模
什么時(shí)候使用決策樹(shù)
練習(xí)
第8章　構(gòu)建價(jià)格模型
構(gòu)造一個(gè)樣本數(shù)據(jù)集
k-最近鄰算法
為近鄰分配權(quán)重
交叉驗(yàn)證
不同類(lèi)型的變量
對(duì)縮放結(jié)果進(jìn)行優(yōu)化
不對(duì)稱(chēng)分布
使用真實(shí)數(shù)據(jù)——eBay API
何時(shí)使用k-最近鄰算法
練習(xí)
第9章　高階分類(lèi)：核方法與SVM
婚介數(shù)據(jù)集
數(shù)據(jù)中的難點(diǎn)
基本的線性分類(lèi)
分類(lèi)特征
對(duì)數(shù)據(jù)進(jìn)行縮放處理
理解核方法
支持向量機(jī)
使用LIBSVM
基于Facebook的匹配
練習(xí)
第10章　尋找獨(dú)立特征
搜集一組新聞
先前的方法
非負(fù)矩陣因式分解
結(jié)果呈現(xiàn)
利用股票市場(chǎng)的數(shù)據(jù)
練習(xí)
第11章　智能進(jìn)化
什么是遺傳編程
將程序以樹(shù)形方式表示
構(gòu)造初始種群
測(cè)試題解
對(duì)程序進(jìn)行變異
交叉
構(gòu)筑環(huán)境
一個(gè)簡(jiǎn)單的游戲
更多可能性
練習(xí)
第12章　算法總結(jié)
貝葉斯分類(lèi)器
決策樹(shù)分類(lèi)器
神經(jīng)網(wǎng)絡(luò)
支持向量機(jī)
k-最近鄰
聚類(lèi)
多維縮放
非負(fù)矩陣因式分解
優(yōu)化
附錄A：第三方函數(shù)庫(kù)
附錄B：數(shù)學(xué)公式
索引

本文鏈接：http://fangxuan.com.cn/python/430.html